楊 偉 艾廷華

(武漢大學(xué)資源與環(huán)境科學(xué)學(xué)院 武漢 430079)(ywgismap@whu.edu.cn)

?

基于車輛軌跡大數(shù)據(jù)的道路網(wǎng)更新方法研究

楊 偉 艾廷華

(武漢大學(xué)資源與環(huán)境科學(xué)學(xué)院 武漢 430079)(ywgismap@whu.edu.cn)

眾源軌跡的泛在、實時特性，使其成為道路信息快速獲取與更新的重要途徑.針對矢量道路數(shù)據(jù)的變化檢測與更新問題，提出了一種基于車輛軌跡大數(shù)據(jù)的道路網(wǎng)快速變化發(fā)現(xiàn)與更新方法.1)以道路弧段為基本單元構(gòu)建緩沖區(qū)，根據(jù)道路變化信息類型及表現(xiàn)形式，運用軌跡運動幾何信息(方向、轉(zhuǎn)角)與交通語義信息(速度、流量)，對道路變化信息進(jìn)行檢測、分類，確定道路變化類型;2)將道路變化類型推斷與增量信息提取相結(jié)合，分別運用Delaunay三角網(wǎng)、交通流時間序列分析提取增量信息;3)根據(jù)變化類型進(jìn)行增量信息融合.運用深圳市出租車GPS軌跡數(shù)據(jù)進(jìn)行實驗分析，結(jié)果表明：該方法相比常規(guī)方法能正確判斷道路變化類型、區(qū)分真實變化與語義變化，增量信息精度提高約18%，且適于圖層級的批處理快速更新.

軌跡大數(shù)據(jù)；變化檢測；道路網(wǎng)更新；眾源；交通語義信息

隨著城鄉(xiāng)道路建設(shè)的飛速發(fā)展，道路變化日新月異，導(dǎo)致道路數(shù)據(jù)更新滯后、現(xiàn)勢性差、完整性與精確性低.傳統(tǒng)的道路更新技術(shù)如專業(yè)測量[1]、地圖綜合縮編更新[2]、遙感影像解譯[3]等成本高、更新周期長、工序復(fù)雜.當(dāng)前泛在、海量、高時空分辨率的眾源軌跡數(shù)據(jù)[4]中蘊(yùn)含了豐富的道路交通信息，能實時感知道路的物理、語義變化.眾源軌跡數(shù)據(jù)以其低成本、高現(xiàn)勢性的優(yōu)點，成為道路信息獲取與檢測更新的重要技術(shù)手段.

目前，軌跡大數(shù)據(jù)已成為數(shù)據(jù)挖掘[5]、位置服務(wù)(location based service, LBS)[6-7]、地理空間數(shù)據(jù)提取與更新[8-9]等領(lǐng)域研究的焦點,其中利用眾源軌跡更新道路數(shù)據(jù)已取得了諸多成果.數(shù)據(jù)內(nèi)容上包括道路幾何數(shù)據(jù)與屬性數(shù)據(jù)更新，如文獻(xiàn)[10-12]根據(jù)軌跡數(shù)據(jù)與道路匹配的結(jié)果，提取新增道路并更新幾何數(shù)據(jù).文獻(xiàn)[13]從車輛軌跡中提取了包括車道、車速等8類屬性信息更新豐富OSM(open street map)[4]道路數(shù)據(jù).從內(nèi)容上看，當(dāng)前研究集中于新增類型的幾何數(shù)據(jù)更新，沒有運用軌跡數(shù)據(jù)的幾何、語義信息對道路變化類型進(jìn)行推斷識別，無法區(qū)分道路的物理、語義變化，導(dǎo)致更新操作錯誤，且數(shù)據(jù)更改頻繁，降低數(shù)據(jù)質(zhì)量.同時，對于道路其他變化類型(改道、方向上的變化等)及屬性數(shù)據(jù)更新研究較少.技術(shù)方法上主要采用地圖匹配技術(shù)，如文獻(xiàn)[14-15]采用地圖匹配技術(shù)進(jìn)行道路變化檢測，運用B樣條擬合、圖像形態(tài)學(xué)等方法提取新增道路，完成增量更新.文獻(xiàn)[16-18]基于手機(jī)移動終端與Web網(wǎng)絡(luò)端進(jìn)行實時GPS(global positioning system)軌跡數(shù)據(jù)接收、匹配更新.文獻(xiàn)[19-20]利用歷史軌跡數(shù)據(jù)離線更新道路數(shù)據(jù)庫.從技術(shù)方法上看，地圖匹配技術(shù)適于高精度軌跡，對于采樣稀疏、高噪音的VGI (volunteer geographic information)[4]軌跡數(shù)據(jù)具有局限性且效率較低.另外，傳統(tǒng)方法從VGI軌跡數(shù)據(jù)中提取的道路增量信息精度不高.數(shù)據(jù)類型上包括高精度軌跡數(shù)據(jù)、OSM道路數(shù)據(jù)、測繪數(shù)據(jù)等，如文獻(xiàn)[21-22]運用車輛軌跡對測繪數(shù)據(jù)、OSM電子地圖數(shù)據(jù)進(jìn)行更新與錯誤改正.文獻(xiàn)[23]運用OSM道路數(shù)據(jù)采用漸進(jìn)式緩沖區(qū)的方法更新專業(yè)測繪數(shù)據(jù).文獻(xiàn)[24-25]運用多版本數(shù)據(jù)庫對道路數(shù)據(jù)庫、導(dǎo)航電子地圖進(jìn)行增量更新.文獻(xiàn)[26]利用高精度步行軌跡更新人行基礎(chǔ)道路數(shù)據(jù)庫.從數(shù)據(jù)源上看，測繪數(shù)據(jù)成本高、更新周期長，難以滿足應(yīng)用需求；OSM數(shù)據(jù)由于數(shù)據(jù)質(zhì)量問題制約其工程應(yīng)用；軌跡數(shù)據(jù)以其低廉、實時特性成為道路更新的重要途徑.但當(dāng)前研究主要針對高精度軌跡(采樣間隔1～5 s)，對于采樣稀疏的VGI軌跡數(shù)據(jù)更新道路網(wǎng)研究較少.

綜上，當(dāng)前運用軌跡數(shù)據(jù)對道路網(wǎng)進(jìn)行變化檢測與更新仍存在2個問題：1)沒有運用軌跡數(shù)據(jù)中的幾何、語義信息對道路變化類型進(jìn)行推斷識別，難以區(qū)分真實物理變化與語義變化，導(dǎo)致更新操作錯誤；2)常規(guī)的變化檢測與增量信息提取技術(shù)多適于高精度軌跡數(shù)據(jù)，對于稀疏采樣、高噪音的VGI數(shù)據(jù)則算法復(fù)雜、精度低且效率不高.針對上述問題，本研究重點為：1)在分析道路變化類型及表現(xiàn)形式的基礎(chǔ)上，運用軌跡幾何信息、交通語義信息對道路變化信息進(jìn)行檢測、分類，確定道路變化類型；2)以道路弧段緩沖區(qū)為單元，將道路變化類型推斷與增量信息提取相結(jié)合，建立適于車輛軌跡大數(shù)據(jù)的道路變化信息檢測與更新技術(shù)方法.

1 道路變化信息分析

運用眾源軌跡數(shù)據(jù)更新道路，需要分析軌跡數(shù)據(jù)中蘊(yùn)含了哪些道路變化信息、道路變化類型、變化原因及其產(chǎn)生的效應(yīng)，為變化檢測與更新決策提供依據(jù).

1) 軌跡數(shù)據(jù)對道路變化信息的表達(dá).眾源軌跡數(shù)據(jù)蘊(yùn)含了豐富的道路交通信息[7-10]如交通流量、車道、轉(zhuǎn)向、限速等，直接反映了道路網(wǎng)絡(luò)的動態(tài)變化.其中軌跡運動幾何信息(方向、轉(zhuǎn)向)反映了道路網(wǎng)的幾何變化，尤其是道路局部微觀變化(不同行車方向、局部區(qū)域).時間序列的交通流語義信息(速度、流量)表征了交通運動狀態(tài)與時空變化模式，并能區(qū)別道路的真實變化與交通語義變化.本文運用軌跡數(shù)據(jù)中的幾何特征、交通語義信息，檢測不同道路變化類型、提取道路變化實體，重點關(guān)注不同方向、道路局部變化情形.

Fig. 1 The classification of the change information of road.圖1 道路變化信息類型分類

4) 變化更新策略.根據(jù)道路變化類型，確定不同更新策略，主要包括增加、刪除、延長、合并、屬性表信息更新等操作.

Fig. 2 The method of change detection and updating of road using crowdsourcing trajectory data.圖2 基于眾源軌跡數(shù)據(jù)的道路變化檢測與更新方法

眾源軌跡數(shù)據(jù)中所蘊(yùn)含的幾何、語義信息是對道路變化信息的直接感知.對于道路局部微觀變化、道路變化類型、真實與語義變化的判別相比傳統(tǒng)方法更具優(yōu)勢.本研究以道路弧段緩沖區(qū)為基本單元，運用軌跡數(shù)據(jù)中的幾何、語義信息，檢測道路變化、分析變化類型、區(qū)分物理與語義變化、提取變化實體，最后進(jìn)行增量信息融合.

2 道路變化檢測與更新方法

道路變化檢測與更新方法的基本思想：對舊道路數(shù)據(jù)按照道路交叉點分割為道路弧段，構(gòu)建緩沖區(qū).以緩沖區(qū)為基本單元，分析緩沖區(qū)內(nèi)的軌跡幾何特征(方向、轉(zhuǎn)角)、交通語義信息(速度、流量)，根據(jù)軌跡線與緩沖區(qū)的空間關(guān)系確定正向變化類型，根據(jù)交通流量的時間變化模式剔除語義變化，確定負(fù)向變化類型.根據(jù)道路變化類型，提取增量信息、更新道路數(shù)據(jù)，如圖2所示.

2.1 眾源軌跡數(shù)據(jù)預(yù)處理及數(shù)據(jù)組織

根據(jù)文獻(xiàn)[28]中方法預(yù)處理原始軌跡，刪除噪音數(shù)據(jù)及軌跡冗余點.對舊道路網(wǎng)數(shù)據(jù)按照道路交叉點分割道路，生成道路弧段.借鑒文獻(xiàn)[2,23]中的方法，根據(jù)道路等級構(gòu)建不同寬度的道路弧段緩沖區(qū)，緩沖區(qū)半徑需根據(jù)實驗數(shù)據(jù)而定，取值范圍在11～32 m之間.顧及道路變化實體提取與數(shù)據(jù)組織，按照道路變化類型建立如圖3中的數(shù)據(jù)存儲結(jié)構(gòu).每一種變化類型對應(yīng)記錄該類變化所有變化實體的幾何信息、軌跡數(shù)據(jù)和語義信息.

Fig. 3 The data structure of road change information.圖3 道路變化數(shù)據(jù)組織

2.2 眾源軌跡檢測道路變化

2.2.1 道路正向變化檢測

對于每一條道路弧段緩沖區(qū)內(nèi)的軌跡數(shù)據(jù)集，按照車輛ID與時間先后順序構(gòu)建軌跡線，運用軌跡幾何特征(方向、轉(zhuǎn)角)、交通語義信息(速度、流量)、軌跡線與緩沖區(qū)的空間關(guān)系來確定道路變化類型，如圖2中的Step2.1所示.道路變化檢測與變化類型分析方法：

1) 無變化類型.軌跡車行方向與道路的行車方向一致，且軌跡數(shù)據(jù)全落入道路弧段緩沖區(qū)內(nèi)(如圖4(a)所示)，說明該道路無變化，刪除該道路緩沖區(qū)內(nèi)的所有軌跡.

2) 噪音干擾無變化.由于在道路交叉口、停車場等車輛停頓區(qū)域軌跡數(shù)據(jù)密集，出現(xiàn)沿緩沖區(qū)邊緣呈團(tuán)塊狀分布的干擾軌跡，導(dǎo)致緩沖區(qū)無法準(zhǔn)確疊置判斷(如圖4(b)所示).這些軌跡的行車速度為0且分布于道路緩沖區(qū)邊緣,根據(jù)軌跡速度、與緩沖區(qū)的距離來識別刪除.如圖4(b)中緩沖區(qū)外的軌跡為干擾軌跡，盡管不在緩沖區(qū)內(nèi)仍刪除.

3) 局部新增不改道類型.軌跡線與緩沖區(qū)從出到進(jìn)共有2次相交，2交點之間的舊道路路段交通流量大于0，且該部分軌跡速度為車輛正常速度.如圖4(c)所示，新增道路與道路緩沖區(qū)有2次相交，交點分別為p1，p2且道路段|p1p2|交通流量大于0、車速正常.對于該類變化，將落入緩沖區(qū)內(nèi)的軌跡刪除，將緩沖區(qū)外該部分新增軌跡寫入到該變化類型的數(shù)據(jù)集中(如圖3中的數(shù)據(jù)組織結(jié)構(gòu))，最后刪除該部分新增軌跡.

4) 改道新增類型.該類型與類型3的區(qū)別在于道路上出現(xiàn)不同行車方向上局部廢棄的情形，且新增與廢棄2種類型同時存在.如圖4(d)，4(e)所示，同一行車方向上的新增軌跡與緩沖區(qū)有出去、進(jìn)入2次相交，相交點之間的舊道路|p1p2|交通流量在不同方向上出現(xiàn)為0的情形.對于該類型首先按照軌跡行車方向分類，計算與緩沖區(qū)進(jìn)出的2個交點p1，p2.對于廢棄道路類型，提取交點之間路段(即|p1p2|)的幾何數(shù)據(jù)，并將路段|p1p2|不同方向上的交通流量信息寫入到負(fù)向變化數(shù)據(jù)集中(如圖3數(shù)據(jù)組織結(jié)構(gòu)).將新增軌跡寫入道路正向變化數(shù)據(jù)集中，并刪除軌跡圖層中的該部分軌跡數(shù)據(jù).

5) 道路延長類型.道路延長包括一端延長(如圖4(f)所示)和2端延長(如圖4(g)所示).一端延長指道路緩沖區(qū)內(nèi)的軌跡線從道路的1個方向流出，經(jīng)過一定時間間隔后從相反方向全部流入，軌跡在非緩沖區(qū)域出現(xiàn)集體轉(zhuǎn)彎點，軌跡轉(zhuǎn)角約180°；2端延長指新增軌跡線與道路緩沖區(qū)的交點分別是2個不同緩沖區(qū)的端點，如圖4(g)中的交點p1p2.對于一端延長類型根據(jù)軌跡線與道路相交關(guān)系、行車方向及轉(zhuǎn)彎(轉(zhuǎn)角)來探測，將緩沖區(qū)外新增軌跡寫入道路變化數(shù)據(jù)集中，并刪除緩沖區(qū)內(nèi)所有軌跡；對于兩端延長類型，刪除緩沖區(qū)內(nèi)的軌跡數(shù)據(jù)，新增軌跡保留在軌跡數(shù)據(jù)圖層中，暫不寫入數(shù)據(jù)集.

6) 整體新增類型.包括單向新增道路類型(如圖4(i)所示)、雙向新增道路類型(如圖4(h)(j)所示).其中圖4(i)和圖4(j)這2種類型與道路緩沖區(qū)呈相交后平行匯合關(guān)系，與道路緩沖區(qū)有1次相交，相交后的軌跡車行方向與道路行車方向一致，根據(jù)軌跡的車行方向確定是單向還是雙向新增.對于這類軌跡直接刪除緩沖區(qū)內(nèi)的軌跡數(shù)據(jù)，暫不寫入正向變化數(shù)據(jù)集.圖4(h)中的變化類型橫穿道路緩沖區(qū)，表明該新增道路與舊道路有交點，這部分軌跡全部保留，不刪除也不寫入正向變化數(shù)據(jù)集.當(dāng)所有道路緩沖區(qū)處理完畢，軌跡數(shù)據(jù)圖層中保留的軌跡數(shù)據(jù)即是整體新增道路和2端延長類型.由于稀疏采樣軌跡難以準(zhǔn)確探測道路車道，對道路拓寬變化類型本文暫不討論，本文軌跡運動特征參數(shù)計算參照文獻(xiàn)[29]中的方法.

Fig. 4 Detection of the positive changes of road using trajectory geometry information and traffic flow.圖4 基于軌跡運動幾何特征與交通語義信息的道路正向變化檢測

Fig. 5 Detection of the negative changes of road using traffic flow.圖5 負(fù)向變化檢測

2.2.2 道路負(fù)向變化檢測

將道路緩沖區(qū)內(nèi)軌跡線數(shù)量總和作為該道路在該時間段的交通流量.如果道路弧段緩沖區(qū)內(nèi)沒有軌跡(如圖5(a)所示)，說明該道路弧段可能消失廢棄，稱為疑似消失道路.每一條疑似消失道路記錄幾何數(shù)據(jù)、交通流時間序列信息，如圖2中Step2.2所示.對于道路改道中的局部變化如單向改道(如圖4(d)所示)、雙向改道(如圖4(e)所示)，已在2.2.1節(jié)中闡述.對于道路一端廢棄縮短的局部變化(如圖5(b)所示)，軌跡在緩沖區(qū)內(nèi)某處整體轉(zhuǎn)向，廢棄部分道路交通流量為0.如圖5(b)所示，所有軌跡在p2處出現(xiàn)轉(zhuǎn)彎逆行，道路段|p2p3|交通流量為0.對于該類變化，根據(jù)軌跡轉(zhuǎn)向，求出轉(zhuǎn)彎點p2，提取道路段|p2p3|幾何數(shù)據(jù)，記錄交通流量時間序列信息，并刪除道路緩沖區(qū)內(nèi)的所有軌跡.

對提取的疑似消失道路，根據(jù)交通流量時空變化模式確定道路變化類型，區(qū)分真實變化與語義變化，剔除語義變化的道路弧段.交通流量變化模式分為4類：

1) 短時間(設(shè)置時間窗口Twindow)的臨時交通管制.如圖6(a)所示，由于體育賽事、交通事故等原因，使道路在短時間內(nèi)禁止通行，交通流量為0.時間窗口的大小需要根據(jù)實際情況而定，不同的時間窗口蘊(yùn)含不同的語義變化，如交通事故一般為幾小時、道路維護(hù)為一周或更長.

2) 軌跡數(shù)據(jù)在道路上的覆蓋差異，如圖6(b)所示，由于車行頻率不同，導(dǎo)致一些道路沒有軌跡數(shù)據(jù)，則出現(xiàn)交通流量不等長時間間隔為0的變化模式.以上2種交通流量變化模式是交通語義變化，道路實體在物理世界并未發(fā)生真實變化.

3) 道路廢棄消失，如圖6(c)所示，道路段的交通流量連續(xù)長時間為0，該類變化表征道路實體在物理世界發(fā)生了真實變化.

4) 局部道路變化，包括同一道路上不同方向的變化(方向限行)、整條道路中的部分變化.如圖6(d)所示，道路限行方向上的交通流量為0，反之交通流量增大，可推斷出道路的部分通行及限行模式.

Fig. 6 Distinguish the negative change of road using spatio-temporal pattern of traffic flow.圖6 交通流量時空模式識別道路負(fù)向變化

2.3 道路增量信息提取

2.3.1 正向增量信息提取

在圖2中Step2.1過程中已將局部道路變化類型中的新增軌跡寫入到相應(yīng)的數(shù)據(jù)集中，還需對整體新增與2端延長類型分類.首先將這些軌跡數(shù)據(jù)按時間信息延長一定距離(由于道路緩沖區(qū)的原因，軌跡線需延長1～5個軌跡點)，求出2端與之相交的道路弧段，并記錄弧段ID.計算軌跡線與道路緩沖區(qū)的交點是否為道路弧段端點，如果軌跡線2交點是2條不同道路的端點，則是2端延長類型，如圖4(g)所示.根據(jù)每條軌跡相交的弧段ID和相交點對軌跡進(jìn)行分組，相交弧段完全相同的分為一組，根據(jù)相交點與軌跡車行方向確定道路變化類型.將分好組的軌跡數(shù)據(jù)集按照道路變化類型寫入變化數(shù)據(jù)集中，如圖2中的Step3.1所示.

從分好組的軌跡數(shù)據(jù)集中，依次取出每條道路所對應(yīng)的軌跡集合，按照文獻(xiàn)[30]中的方法構(gòu)建約束Delaunay三角網(wǎng)，提取道路中心線，如圖2中的Step3.2所示.如果所對應(yīng)的軌跡點數(shù)據(jù)較少，則需將軌跡點按照車輛ID與時間順序連接成軌跡線，對軌跡線插值加密后建約束Delaunay三角網(wǎng)提取道路中心線，并對道路中心線平滑處理，如圖7(b)所示.當(dāng)?shù)缆纷兓现械乃熊壽E數(shù)據(jù)提取完畢，即完成了正向增量信息的提取.

Fig. 7 Extraction of incremental information.圖7 增量信息提取方法

2.3.2 負(fù)向增量信息提取

首先設(shè)置時間窗口Twindow，讀取負(fù)向變化數(shù)據(jù)集中每條道路弧段的交通流量信息并進(jìn)行時間序列分析，如果連續(xù)為0的時間長度大于等于Twindow，說明該道路廢棄消失，反之該道路弧段為其他類型的語義變化，如圖7(c)所示.對于真實負(fù)向變化，根據(jù)記錄信息提取道路變化幾何數(shù)據(jù)，如圖2中Step3.3～3.5所示.

2.4 道路增量信息融合

根據(jù)道路變化信息類型，采取相應(yīng)的更新操作進(jìn)行增量信息融合，如圖2中Step4.1～4.3.由于軌跡數(shù)據(jù)是一種無尺度、高噪音的VGI數(shù)據(jù)，在數(shù)據(jù)融合過程中必然存在幾何拓?fù)溴e誤，包括相交節(jié)點斷開、節(jié)點出頭、拓?fù)溥B通錯誤等.本實驗利用ArcGIS軟件對更新后的道路數(shù)據(jù)進(jìn)行拓?fù)溴e誤檢查與拓?fù)湟恢滦跃S護(hù)，以保證道路數(shù)據(jù)的質(zhì)量.

3 實驗與結(jié)果分析

3.1 數(shù) 據(jù)

軌跡數(shù)據(jù)為深圳市2011年4月共7天的出租車GPS軌跡，軌跡數(shù)據(jù)包括車輛ID、GPS時間、GPS經(jīng)緯度等信息.軌跡點采樣間隔為10～120 s不等，每天共有軌跡點約11 435 573個，生成軌跡線為416 505條(如圖8(a)所示).待更新道路數(shù)據(jù)為2010年比例尺為1∶10 000萬深圳市標(biāo)準(zhǔn)道路矢量數(shù)據(jù)(如圖8(b)所示).本研究以深圳市為實驗區(qū)域，采用PostGIS數(shù)據(jù)庫存儲軌跡數(shù)據(jù)與道路數(shù)據(jù)，運用Python語言、ArcPy提供的數(shù)據(jù)接口進(jìn)行算法實驗.

Fig. 8 The experimental area and experimental data.圖8 實驗區(qū)及實驗數(shù)據(jù)

3.2 結(jié)果與分析

Fig. 9 The main steps and the results of the experiment.圖9 實驗主要步驟及結(jié)果展示

按照文獻(xiàn)[28]中的方法對軌跡數(shù)據(jù)進(jìn)行清洗，對被更新道路按照道路交叉點打斷生成道路弧段基本單元.按照文獻(xiàn)[2,23]中方法根據(jù)道路等級構(gòu)建不同寬度的道路緩沖區(qū)，緩沖區(qū)半徑取值范圍在11～32 m之間.運用道路緩沖區(qū)內(nèi)軌跡數(shù)據(jù)的運動幾何信息(方向、轉(zhuǎn)角)、交通語義信息(速度、流量)進(jìn)行道路變化檢測(如圖9(a)(b)所示)、確定道路變化類型，其中交通流量分析時間窗口Twindow為7 d.根據(jù)道路變化信息類型，運用Delaunay三角網(wǎng)模型提取866條新增道路弧段(如圖9(c)所示)，多分布在南山區(qū)、龍華區(qū)、龍崗區(qū)等處，主要包括開發(fā)新區(qū)、住宅新區(qū)建設(shè)中的新建道路、環(huán)城路、商業(yè)步行街等，且以街道、居民區(qū)巷道等低等級道路為主.通過交通流量時間序列分析剔除145條語義變化道路弧段，提取26條消失道路弧度，如圖9(c)所示.道路消失多發(fā)生在老城區(qū)、城郊結(jié)合部的一些次要街道、小巷等低等級道路目標(biāo)中.主城區(qū)如羅湖區(qū)、福田區(qū)等城市CBD中心道路消失廢棄較少，而這些區(qū)域的道路語義變化相對較多，主要是由于緩解交通擁堵壓力、臨時交通管制等造成.最后將增量信息與舊道路網(wǎng)數(shù)據(jù)集成融合，如圖9(d)所示.

3.2.1 道路變化檢測結(jié)果分析

以被更新標(biāo)準(zhǔn)道路矢量數(shù)據(jù)為參考，將實驗結(jié)果與文獻(xiàn)[12]中地圖匹配技術(shù)更新實驗結(jié)果對比分析.在道路變化檢測發(fā)現(xiàn)方面，文獻(xiàn)[12]運用地圖匹配技術(shù)進(jìn)行變化檢測無法判斷道路變化類型，如圖10(a)(b)所示，尤其對于不同方向上的真實變化與交通語義變化，而將語義變化作為廢棄消失道路處理.本方法根據(jù)給定時間窗口Twindow，通過對交通語義信息的時間序列分析區(qū)分道路的真實變化與語義變化，剔除了語義變化的道路，相比文獻(xiàn)[12]方法更顯優(yōu)勢.如圖10(b)(c)所示，本文方法根據(jù)交通流量變化模式識別道路真實變化(廢棄、縮短、改道廢棄等)與語義變化(臨時交通管制等)，利用7 d的軌跡數(shù)據(jù)提取了26條廢棄消失道路，剔除了145條語義變化道路.而文獻(xiàn)[12]的方法無法識別語義變化，共提取171條廢棄消失道路，致使更新結(jié)果錯誤不斷累積增大.

3.2.2 道路更新結(jié)果分析

將更新后道路數(shù)據(jù)與遙感影像疊加進(jìn)行定性評價，如圖11(a)(b)為寶安區(qū)桃源盛景園附近范圍的實驗結(jié)果.從圖11中可知本文方法更新后的道路幾何數(shù)據(jù)精度高，且保持正確拓?fù)潢P(guān)系.對新增線數(shù)據(jù)采用緩沖區(qū)檢測方法來評價精度，以2011年OSM數(shù)據(jù)為參考，分別建立2 m，5 m，7 m為半徑的緩沖區(qū)進(jìn)行道路長度統(tǒng)計分析，對比結(jié)果如圖11(c)所示.實驗表明本方法更新后的道路幾何數(shù)據(jù)精度在2 m緩沖區(qū)的高精度結(jié)果有約18%的提高.本研究以道路弧段緩沖區(qū)為基本單元分析軌跡幾何、語義信息進(jìn)行道路變化檢測，在保持道路數(shù)據(jù)拓?fù)湔_性方面，具有明顯優(yōu)勢(如圖11(d)所示)，相比常規(guī)的地圖匹配技術(shù)簡單、高效.

Fig. 10 Comparative analysis of the result of road change detection.圖10 道路變化檢測結(jié)果比較分析

Fig. 11 Evaluation of the result of road updating.圖11 道路更新結(jié)果分析

3.2.3 道路更新結(jié)果驗證

本文運用深圳市天地圖影像*http://map.tianditu.com、OSM道路網(wǎng)矢量數(shù)據(jù)*http://planet.openstreetmap.org/planet/對更新結(jié)果進(jìn)行驗證分析，部分區(qū)域道路更新結(jié)果驗證如圖12所示.提取的866條新增道路弧段中有749條道路弧段并未發(fā)生變化(如圖12(c)中B，C處)，其原因在于被更新數(shù)據(jù)(比例尺為1∶10 000)的不完整性，但這證明了本文方法的有效性.剩余的117道路弧段中新增道路弧段94條(如圖12(c)中A處)，錯誤提取的有23條.錯誤識別的新增道路弧段，多在復(fù)雜道路交叉口處由于軌跡采樣稀疏導(dǎo)致的錯誤識別.消失的道路中，真實消失道路有7條，剩余19條道路弧段(如圖12(c)中D處)是由于道路建設(shè)(如修建地鐵等)導(dǎo)致的長時間交通通行管制.本方法在復(fù)雜道路交口處的增量信息提取精度不夠，如圖12(c)中C處對于轉(zhuǎn)盤、立交橋等處的增量數(shù)據(jù)有待提高.

另外，由于車輛軌跡的局限性，對于城市低等級道路提取還不全.本方法以GPS軌跡點圖層為更新源，道路網(wǎng)作為被更新圖層，適用于圖層級別的批處理更新.

Fig. 12 The validity of the update result of Nanshan District in Shenzhen.圖12 深圳市南山區(qū)部分區(qū)域更新結(jié)果驗證分析

3.3 數(shù)據(jù)與參數(shù)討論

本方法的更新結(jié)果也受到道路數(shù)據(jù)、軌跡數(shù)據(jù)、緩沖區(qū)寬度的影響，體現(xiàn)在：

1) 不同比例尺.比例尺越大道路數(shù)據(jù)內(nèi)容越詳細(xì)完整，反之越簡單.本文檢測出來的正向增量數(shù)據(jù)較多(圖9(a))，其原因是被更新數(shù)據(jù)在城市低等級支路處覆蓋度低(比例尺1∶10 000)，而車輛軌跡能識別這些道路并作為新增道路;反之，如果更新大比例尺數(shù)據(jù)(1∶1 000)，由于車輛數(shù)據(jù)的局限性，一些道路也會錯誤識別為廢棄道路.故道路數(shù)據(jù)尺度的選擇仍是一個不確定性問題.

2) 軌跡數(shù)據(jù)的時間跨度.對于負(fù)向變化檢測需根據(jù)設(shè)置的時間窗口Twindow分析交通流量變化模式，區(qū)分真實變化與語義變化.而時間窗口Twindow的設(shè)定不僅需要交通領(lǐng)域知識，也要考慮軌跡數(shù)據(jù)的時間跨度.長時間跨度的軌跡數(shù)據(jù)序列對道路變化類型的判別準(zhǔn)確性更高.由于本文軌跡數(shù)據(jù)有限(時間跨度為7 d，Twindow為7 d)，如圖11(b)中的廢棄道路可能是道路維護(hù)改造(遙感影像可看出)，并非廢棄，故難以精確判斷，這就是軌跡時間跨度不夠?qū)е碌?

3) 道路緩沖區(qū)的寬度設(shè)置.本文以道路弧段緩沖區(qū)為基本單元分析提取軌跡信息，緩沖區(qū)的設(shè)置借鑒文獻(xiàn)[2,23]中的方法，該方法相比地圖匹配方法速度快，但緩沖區(qū)寬度的優(yōu)化設(shè)定對結(jié)果有一定影響.本文根據(jù)道路等級對應(yīng)的道路寬度標(biāo)準(zhǔn)和GPS軌跡定位誤差來綜合設(shè)定緩沖區(qū)半徑.

4 結(jié)論與展望

本文針對運用車輛軌跡數(shù)據(jù)進(jìn)行矢量道路數(shù)據(jù)的變化檢測與更新問題，提出了以道路弧段緩沖區(qū)為基本單元，通過分析軌跡運動幾何信息與交通語義信息檢測道路變化、確定變化類型、區(qū)分真實變化與語義變化，運用Delaunay三角網(wǎng)幾何模型提取新增道路，運用交通流時間序列分析提取消失道路，最后進(jìn)行增量信息融合.運用深圳市出租車GPS軌跡進(jìn)行實驗分析，證明了本文方法的可行性與創(chuàng)新性.

本文的創(chuàng)新點為:

1) 運用軌跡幾何信息和交通語義信息對道路變化類型進(jìn)行推斷識別;

2) 將道路變化類型推斷與增量信息提取相結(jié)合，綜合運用Delaunay三角網(wǎng)、時間序列分析方法快速實現(xiàn)路網(wǎng)圖層級別的批處理更新.

本研究僅利用7 d的出租車GPS軌跡數(shù)據(jù)進(jìn)行實驗，由于出租車軌跡數(shù)據(jù)并未完全覆蓋城市道路網(wǎng)絡(luò)，使得軌跡數(shù)據(jù)在時間跨度及種類上具有局限性.后續(xù)工作包括:1)本文方法的進(jìn)一步優(yōu)化，包括道路緩沖區(qū)的優(yōu)化設(shè)置、道路拓寬類型的判別、道路屬性數(shù)據(jù)更新等.同時，如何確定眾源軌跡數(shù)據(jù)的尺度信息，并進(jìn)行多尺度的道路數(shù)據(jù)更新將是未來的研究方向.2)本文僅對車輛軌跡更新道路網(wǎng)的技術(shù)方法進(jìn)行實驗分析，后續(xù)需運用大數(shù)據(jù)平臺如Hadoop，Spark等針對軌跡大數(shù)據(jù)挖掘處理方法進(jìn)行探索研究.

[1]Chen Jun, Wang Donghua, Shang Yaoling, et al. Master design and technical development for national 1:50000 topographic database updating engineering in China[J]. Acta Geodaetica et Cartographica Sinica, 2010, 39(1): 7-10 (in Chinese)(陳軍, 王東華, 商瑤玲, 等. 國家1:50 000 數(shù)據(jù)庫更新工程總體設(shè)計研究與技術(shù)創(chuàng)新[J]. 測繪學(xué)報, 2010, 39(1): 7-10)

[2]Hu Yungang, Chen Jun, Zhao Renliang, et al. Macthing of roads under different scales for updating map[J]. Geomatics and Information Science of Wuhan University, 2010, 35(4): 451-456 (in Chinese)(胡云崗, 陳軍, 趙仁亮, 等. 地圖數(shù)據(jù)縮編更新中道路數(shù)據(jù)匹配方法[J]. 武漢大學(xué)學(xué)報: 信息科學(xué)版, 2010, 35(4): 451-456)

[3]Lee S G, Lee D H, Lee S W. Network-oriented road map generation for unknown roads using visual images and GPS-based location information[J]. IEEE Trans on Consumer Electronics, 2009, 55(3): 1233-1240

[4]Goodchild M F. Citizens as sensors: The world of volunteered geography[J]. GeoJournal, 2007, 69(4): 211-221

[5]Liu Dayou, Chen Huiling, Qi Hong, et al. Advances in spatiotemporal data mining[J]. Journal of Computer Research and Development, 2013, 50(2): 225-239 (in Chinese)(劉大有, 陳慧靈, 齊紅, 等. 時空數(shù)據(jù)挖掘研究進(jìn)展[J]. 計算機(jī)研究與發(fā)展, 2013, 50(2): 225-239)

[6]Meng Xiaofeng, Zhang Xiaojian. Big data privacy management[J]. Journal of Computer Research and Development, 2015, 52(2): 265-281 (in Chinese)(孟小峰, 張嘯劍. 大數(shù)據(jù)隱私管理[J]. 計算機(jī)研究與發(fā)展, 2015, 52(2): 265-281)

[7]Guo Chi, Fang Yuan, Liu Jingnan, et al. Social awareness computation methods for location based services[J]. Journal of Computer Research and Development, 2013, 50(12): 2531-2542 (in Chinese)(郭遲, 方媛, 劉經(jīng)南, 等. 位置服務(wù)中的社會感知計算方法研究[J]. 計算機(jī)研究與發(fā)展, 2013, 50(12): 2531-2542)

[8]Anmed M, Karagiorgou S, Pfoser D, et al. A comparison and evaluation of map construction algorithms using vehicle tracking data[J]. GeoInformatica, 2015, 19(3): 601-632

[9]Jang Xinhua, Liao Lüchao, Zou Fumin. Automatic detection algorithm for new roads based on trajectory of float cars[J]. Journal of Computer Applications, 2013, 33(2): 579-582 (in Chinese)(蔣新華, 廖律超, 鄒復(fù)民. 基于浮動車移動軌跡的新增道路自動發(fā)現(xiàn)算法[J]. 計算機(jī)應(yīng)用, 2013, 33(2): 579-582)

[10]Wu Hao, Tu Chuanchuan, Sun Weiwei, et al. GLUE: A parameter-tuning-free map updating system[C] //Proc of the 24th ACM Int Conf on Information and Knowledge Management. New York: ACM, 2015: 683-692

[11]Boucher C, Noyer J C. Automatic detection of topological changes for digital road map updating[J]. IEEE Trans on Instrumentation and Measurement, 2012, 61(11): 3094-3102

[12]Zhao Yue, Liu Jian, Chen Runqiang, et al. A new method of road network updating based on floating car data[C] //Proc of the IEEE Int Conf on Geoscience and Remote Sensing Symp (IGARSS). Piscataway, NJ: IEEE, 2011: 1878-1881

[13]van Winden K, Biljecki F, van der Spek S. Automatic update of road attributes by mining GPS tracks[J]. Transactions in GIS, 2016, 20(5): 664-683

[14]Costa G H R, Baldo F. Generation of road maps from trajectories collected with smartphone —A method based on genetic glgorithm[J]. Applied Soft Computing, 2015, 37(12): 799-808

[15]Tian Wenwen, Zhu Xinyan, Guo Wei. A VGI vector road data increment distinguishing research based on multilevel spreading algorithm[J]. Geomatics and Information Science of Wuhan University, 2014, 39(8): 963-967 (in Chinese)(田文文, 朱欣焰, 咼維. 一種 VGI矢量數(shù)據(jù)增量變化發(fā)現(xiàn)的多層次蔓延匹配算法[J]. 武漢大學(xué)學(xué)報: 信息科學(xué)版, 2014, 39(8): 963-967)

[16]Shan Zhangqing, Wu Hao, Sun Weiwei, et al. COBWEB: A robust map update system using GPS trajectories[C] //Proc of the 2015 ACM Int Joint Conf on Pervasive and Ubiquitous Computing. New York: ACM, 2015: 927-937

[17]Wang Yin, Liu Xuemei, Wei Hong, et al. CrowdAtlas: Self-updating maps for cloud and personal use[C] //Proc of the 11th Annual Int Conf on Mobile Systems, Applications, and Services. New York: ACM, 2013: 27-40

[18]Wang Yin, Wei Hong, Forman G. Mining large-scale GPS streams for connectivity refinement of road maps[C] //Proc of the 21st ACM SIGSPATIAL Int Conf on Advances in Geographic Information Systems. New York: ACM, 2013: 448-451

[19]Tang Luliang, Huang Fangzhen, Zhang Xueyan, et al. Road network change detection based on floating car data[J]. Journal of Networks, 2012, 7(7): 1063-1070

[20]Wu Tao, Xiang Longgang, Gong Jianya. Updating road networks by local renewal from GPS trajectories[J]. ISPRS International Journal of Geo-Information, 2016, 5(9): 163-180

[21]Boucher C, Noyer J C. Updating road network databases using GNSS[C] //Proc of the IEEE Int Conf on Systems Conf (SysCon). Piscataway, NJ: IEEE, 2011: 288-291

[22]Zhu Yanmin, Wang Yin, Forman G, et al. Mining large-scale GPS streams for connectivity refinement of road maps[J]. The Computer Journal, 2015, 58(9): 2109-2119

[23]Liu Changyong, Xiong Lian, Hu Xiangyun, et al. A progressive buffering method for road map update using OpenStreetMap data[J]. ISPRS International Journal of Geo-Information, 2015, 4(3): 1246-1264

[24]Ying Shen, Li Lin, Liu Wanzeng, et al. Change-only updating based on object matching in version databases[J]. Geomatics and Information Science of Wuhan University, 2014, 39(8): 963-967 (in Chinese)

(應(yīng)申, 李霖, 劉萬增, 等. 版本數(shù)據(jù)庫中基于目標(biāo)匹配的變化信息提取與數(shù)據(jù)更新[J]. 武漢大學(xué)學(xué)報: 信息科學(xué)版, 2009, 34(6): 752-755)

[25]Xu Jinghai, Li Qingquan. Navigable digital map data increment update based on temporal GIS[J]. Geomatics and Information Science of Wuhan University, 2008 ,33(11): 1182-1185 (in Chinese)(徐敬海, 李清泉. 基于時態(tài)GIS的導(dǎo)航電子地圖增量更新研究[J]. 武漢大學(xué)學(xué)報: 信息科學(xué)版, 2008, 33(11): 1182-1185)

[26]Park S, Bang Y, Yu K. Techniques for updating pedestrian network data including facilities and obstructions information for transportation of vulnerable people[J]. Sensors, 2015, 15(9): 24466-24486

[27]Yang Min, Ai Tinghua, Yan Xiongfeng, et al,Change detection and updating by using map overlay for buildings on multi-scale maps [J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(4): 466-474 (in Chinese)(楊敏, 艾廷華, 晏雄鋒, 等. 疊置運算支持下的跨比例尺城區(qū)居民地數(shù)據(jù)變化發(fā)現(xiàn)與更新[J]. 測繪學(xué)報, 2016, 45(4): 466-474)

[28]Liu Xuemei, Zhu Yanmin, Wang Yin, et al. Road recognition using coarse-grained vehicular traces, HPL-2012-26[R]. Beijing: HP Labs, 2012

[29]Dodge S, Weibel R, Forootan E. Revealing the physics of movement: Comparing the similarity of movement characteristics of different types of moving objects[J]. Computers, Environment and Urban Systems, 2009, 33(6): 419-434

[30]Yang Wei, Ai Tinghua. Road centerline extraction from crowdsoucing trajectory data[J]. Geography and Geo-Information Science, 2016, 32(3): 1-7 (in Chinese)(楊偉, 艾廷華. 基于眾源軌跡數(shù)據(jù)的道路中心線提取[J]. 地理與地理信息科學(xué), 2016, 32(3): 1-7)

Yang Wei, born in 1987. PhD candidate and student member of China Computer Federation. His main research interests include spatiotemporal trajectory data mining and visualization.

Ai Tinghua, born in 1969. Professor and PhD supervisor. His main research interests include map generalization and spatial data mining.

A Method for Road Network Updating Based on Vehicle Trajectory Big Data

Yang Wei and Ai Tinghua

(School of Resource and Environmental Sciences, Wuhan University, Wuhan 430079)

Vehicle trajectory data becomes an important approach to access and update of road information. However, conventional methods cannot identify road change type and extract change entities quickly using crowdsourcing trajectory data. To solve the problem, this paper propose a new method to use vehicle trajectory big data to detect and update changes rapidly in the road network. Firstly, road change type is identified by detecting and classifying the road change information using trajectory movement geometry information (direction, turn angle) and traffic semantic information(traffic volume, speed). Through analysis of trajectory data, the real physical change and traffic semantic change of road can be distinguished from each other. And then incremental information is extracted by Delaunay triangulation and traffic flow time series analysis. This method combines the road change type identifying and incremental data extraction through taking road segment buffer as basic unit. Finally, incremental information fusion is conducted according to road change type. An experiment using taxi GPS traces data in Shenzhen is verified the validity of the novel method. The experimental results prove that the method can identity road change type, and the accuracy of incremental data is improved about 18% compared with map matching method. Furthermore, the comparison analysis of the road network update results is also carried out to confirm that the method is suitable for layer-level updates.

trajectory big data; change detection; road network update; crowdsourcing; traffic semantic information

2016-08-16；

2016-10-20

國家自然科學(xué)基金項目(41531180);國家“八六三”高技術(shù)研究發(fā)展計劃基金項目(2015AA1239012) This work was supported by the National Natural Science Foundation of China (41531180) and the National High Technology Research and Development Program of China (863 Program) (2015AA1239012).

艾廷華(tinghua_ai@163.net)

TP391